一种基于XGBoost算法的数控机床热误差预测方法与流程
- 国知局
- 2024-09-11 14:43:04
本发明涉及数控机床,尤其是涉及一种基于xgboost算法的数控机床热误差预测方法。
背景技术:
1、数控机床在现代制造业中扮演着至关重要的角色,通过精确控制工具的位置和运动轨迹来实现各种复杂的加工任务。然而数控机床的工作性能容易受到温度变化的影响,尤其是热误差的存在,更可能导致工件的加工精度下降,制造成本上升,甚至可能导致加工失败。
2、针对热误差的研究一直是制造业的一个重要领域。最早的解决方案是采用物理方法,通过使用冷却液或者巧妙的设计机床结构来抵消热误差的影响,这种方法往往较为昂贵或者实现复杂。之后出现了利用数学或物理建模的方法,设计者通过构建数学公式来计算热误差,这种方法需要建模者对机床知识和数学方法都要了解,且构建数学模型的过程往往很复杂。
3、近些年,随着计算机算力的不断提高,机器学习和数据科学领域飞速发展,以数据驱动的机器学习算法来自动从数据中学习影响因素与热误差的联系,从而准确的预测出热误差,是一种具有吸引力的方案。
技术实现思路
1、本发明为克服上述情况不足,旨在提供一种能解决上述问题的技术方案。
2、一种基于xgboost算法的数控机床热误差预测方法,包括以下步骤:
3、a、收集运行时间、期望行程、进给速度、主轴转速等热误差影响因素,以及对应情况下某个轴的热误差量,构成相应数据集;
4、b、对收集到的数据进行清洗,包括缺失值、异常值的处理,并将处理后的数据归一化,最后划分训练集和测试集;
5、c、确定模型超参数取值情况;
6、d、使用网格搜索,在k折交叉验证下训练每组超参数构建的xgboost模型;
7、e、选取表现最优的超参数组合,并构建最优超参数的xgboost模型;
8、f、利用训练集训练xgboost模型,并在测试集下验证模型;
9、g、通过验证后,可将新的实时的热误差影响因素经步骤b处理后送入模型,模型会计算出相应情况下的热误差量。
10、作为本发明进一步的方案:数据集的组成如下:
11、a、按照经验选取与热误差相关的影响因素,例如:运行时间、实际行程、进给速度、主轴转速等;
12、b、利用激光干涉仪测量相应影响因素下机床在某一轴上的热误差量。
13、作为本发明进一步的方案:数据清洗过程,其步骤为:
14、a、针对缺失值,若该组缺失值达到30%以上,则删除该组数据;若缺失值较少,则可选择不处理;
15、b、针对异常数据,删除该值所在的整组数据;
16、c、对处理完成的除热误差量外的数据进行归一化,并按7:3划分训练集和测试集。
17、作为本发明进一步的方案:所述的确认超参数取值,是针对xgboost几个较为重要的参数,为每个参数确定几个可能的取值情况。
18、作为本发明进一步的方案:所述的k折交叉验证方法,其步骤为:
19、a、将训练集均匀划分为k份数据集合;
20、b、循环k次,每次选取一份作为测试集,其余k-1份作为训练集训练模型。
21、作为本发明进一步的方案:所述的选取表现最优超参数组合,评判标准选取均方根误差,最终取均方根误差最小的超参数组合为最优超参数组合。
22、作为本发明进一步的方案:构建的xgboost模型同时使用l1正则化和l2正则化对参数进行更新。
23、作为本发明进一步的方案:所选取的归一化方法为最小值最大值归一化,其公式为:
24、
25、其中min和max分别为该样本数据中的最小值和最大值。
26、作为本发明进一步的方案:所述均方根误差,其公式为:
27、
28、其中m为测试样本总数量,为第i组数据对应的真是热误差量,为模型针对第i组数据预测的热误差量。
29、作为本发明进一步的方案:所述l1正则化,其公式为:
30、
31、其中λ为l1正则化惩罚系数,∑|w|表示向量w各个元素绝对值之和。
32、所述l2正则化,其公式为:
33、
34、其中λ为l2正则化惩罚系数,∑|w|2表示向量w各个元素绝对值平方之和。
35、与现有技术相比,本发明的有益效果是:
36、1、本发明构建了一个预测模型,以数据为驱动,能够自动学习热误差影响因素与热误差量的联系,进而预测机床在某一轴上的热误差量。这降低了热误差对机床的影响,同时提高了机床的加工精度。
37、2、本发明提出了一种基于计算机的热误差解决方案,摒弃了传统的采用冷却液等物理方法,使用时仅需一台计算机。相对传统方案,本方法在长期使用下更加节省成本。
38、3、本发明具有很强的灵活性,该方法可以适用于不同的热误差影响因素以及在不同轴上的热误差。只需提供相应的数据集,模型即可自适应不同的情况。
39、4、本发明可以有效地处理缺失值。模型在在训练中会自动处理缺失值,并在预测时使用相对的策略来填充缺失值。
40、本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
技术特征:1.一种基于xgboost算法的数控机床热误差预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于xgboost算法的数控机床热误差预测方法,其特征在于:数据集的组成如下:
3.根据权利要求1所述的基于xgboost算法的数控机床热误差预测方法,其特征在于:数据清洗过程,其步骤为:
4.根据权利要求1所述的基于xgboost算法的数控机床热误差预测方法,其特征在于:所述的确认超参数取值,是针对xgboost几个较为重要的参数,为每个参数确定几个可能的取值情况。
5.根据权利要求1所述的基于xgboost算法的数控机床热误差预测方法,其特征在于:所述的k折交叉验证方法,其步骤为:
6.根据权利要求1所述的基于xgboost算法的数控机床热误差预测方法,其特征在于:所述的选取表现最优超参数组合,评判标准选取均方根误差,最终取均方根误差最小的超参数组合为最优超参数组合。
7.根据权利要求1所述的基于xgboost算法的数控机床热误差预测方法,其特征在于:构建的xgboost模型同时使用l1正则化和l2正则化对参数进行更新。
8.根据权利要求3所述的基于xgboost算法的数控机床热误差预测方法,其特征在于:所选取的归一化方法为最小值最大值归一化,其公式为:
9.根据权利要求6所述的基于xgboost算法的数控机床热误差预测方法,其特征在于:所述均方根误差,其公式为:
10.根据权利要求7所述的基于xgboost算法的数控机床热误差预测方法,其特征在于:所述l1正则化,其公式为:
技术总结本发明涉及数控机床技术领域,尤其是涉及一种基于XGBoost算法的数控机床热误差预测方法,本发明在分析热误差影响因素的基础上,针对减少机床热误差影响,提高机床加工精度的目的,提出了一种基于XGBoost算法的机床热误差预测方法。通过构建XGBoost模型,从数据中学习热误差影响因素与机床在某一轴上的热误差量的联系。具体来说,本方法将运行时间、期望行程、进给速度、主轴转速等热误差影响因素作为模型输入,训练XGBoost模型以预测机床在某一轴上的热误差量作为输出,本发明构建了一个预测模型,以数据为驱动,能够自动学习热误差影响因素与热误差量的联系,进而预测机床在某一轴上的热误差量。这降低了热误差对机床的影响,同时提高了机床的加工精度。技术研发人员:陈丽源,王有亮,张成,熊友平受保护的技术使用者:乔锋智能装备股份有限公司技术研发日:技术公布日:2024/9/9本文地址:https://www.jishuxx.com/zhuanli/20240911/291924.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表